Tensorflow / Keras sigmoid 在密集层的单输出上

Question

我在 tensorflow 中有一个简单的 CNN 模型，它接收图像并预测 6 元素标签向量。 因此，我的模式的最后一层是 Dense(6)。 Label[0] 应该是二进制的，而 Label[1:6] 是连续值。 因此，我只想在输出的第一个节点上对输出层应用 sigmoid 激活，而其他 5 个输出保持原样。 我如何使用 tensorflow.keras 做到这一点？ 为简单起见，我的模型构建代码目前类似于：

model = tf.keras.models.Sequential()
model.add(Reshape((image_size, image_size, 1), input_shape = (image_size, image_size))
model.add(Conv2D(8, **parameters))
model.add(BatchNormalization())
model.add(Activation('relu')
Model.add(MaxPool2D())
model.add(Flatten())
model.add(Dense(6))

我如何添加到最后一层的第一个索引上使用 sigmoid 激活？

Answer 1

假设我们将模型的输出作为 pred，那么 pred 将是一个形状为 (1, 6) 的张量，因此为了实现您的目标，您可以执行以下操作：

sigmoid_input = pred.numpy()[0][0]
sigmoid_output = tf.keras.activations.sigmoid(sigmoid_input)

因此，首先您需要将张量转换为 Numpy ndarray，然后仅访问张量的第一个元素。 之后，我们按计划将保存该值的新变量 sigmoid_input 传递给 sigmoid。

Answer 2

您可以定义一个简单的自定义Lambda层并完全按照您的意愿进行操作。 这是一个最初没有激活函数的示例。 注意输出：

import tensorflow as tf
tf.random.set_seed(2)

def custom_layer(tensor):
    activated_node = tf.nn.sigmoid(tensor[:, :1])
    return tf.concat([activated_node, tensor[:, 1:]], axis=1)

model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(6))

model(tf.random.uniform((2, 5)))

<tf.Tensor: shape=(2, 6), dtype=float32, numpy=
array([[-1.1554979 ,  0.29463094,  0.57452184,  0.40530735, -0.15730543,
         0.16329125],
       [-1.1518296 ,  1.2684885 ,  0.50156784,  1.2273686 ,  0.13656075,
        -0.7025717 ]], dtype=float32)>

现在使用自定义Lambda层，它将激活函数应用于张量中的第一个节点：

import tensorflow as tf
tf.random.set_seed(2)

def custom_layer(tensor):
    activated_node = tf.nn.sigmoid(tensor[:, :1])
    return tf.concat([activated_node, tensor[:, 1:]], axis=1)

model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(6))
model.add(tf.keras.layers.Lambda(custom_layer, name="activation_layer"))

model(tf.random.uniform((2, 5)))

<tf.Tensor: shape=(2, 6), dtype=float32, numpy=
array([[ 0.23948632,  0.29463094,  0.57452184,  0.40530735, -0.15730543,
         0.16329125],
       [ 0.24015504,  1.2684885 ,  0.50156784,  1.2273686 ,  0.13656075,
        -0.7025717 ]], dtype=float32)>

您可以清楚地看到每个样本的第一个元素（我使用的是 batch_size=2）是如何在 0 和 1 之间挤压的。